引力波探测器中机器学习辅助实时噪声回归的演示
广义相对论与量子宇宙学
2023-06-21 v1
摘要
实时噪声回归算法对于最大化 LIGO、Virgo 和 KAGRA 引力波探测器的科学产出至关重要。这包括提高信号的可探测性、源定位及并合前可探测性，从而实现快速多信使跟进。在本文中，我们展示了 \textit{DeepClean} 的有效性，这是一种利用辅助传感器从引力波应变数据中估计并减去非线性和非平稳噪声的卷积神经网络架构。我们的研究使用来自第三次观测运行的 LIGO 数据，并注入致密双星信号。作为演示，我们使用 \textit{DeepClean} 减去由电网引起的 60 Hz 噪声及其与非线性耦合的其他仪器噪声源产生的边带。我们对注入信号的参数估计研究表明，\textit{DeepClean} 不会对数据中潜在的天体物理信号造成任何损害，同时能提升潜在信号的信噪比。我们展示了 \textit{DeepClean} 可用于低延迟噪声回归，以约 1-2 秒的延迟产生清洗后的输出数据。我们还讨论了在为低延迟应用训练 \textit{DeepClean} 时可能做出的各种考量。
引用
@article{arxiv.2306.11366,
title = {Demonstration of Machine Learning-assisted real-time noise regression in gravitational wave detectors},
author = {Muhammed Saleem and Alec Gunny and Chia-Jui Chou and Li-Cheng Yang and Shu-Wei Yeh and Andy H. Y. Chen and Ryan Magee and William Benoit and Tri Nguyen and Pinchen Fan and Deep Chatterjee and Ethan Marx and Eric Moreno and Rafia Omer and Ryan Raikman and Dylan Rankin and Ritwik Sharma and Michael Coughlin and Philip Harris and Erik Katsavounidis},
journal= {arXiv preprint arXiv:2306.11366},
year = {2023}
}